Conteúdo do curso Lição 89 de 246 · Módulo 7: Trabalhando com novos dados
Módulo 7: Trabalhando com novos dados

Mais dados de graça (aumento)

Por que isso importaColetar dados é caro. Muitas vezes você pode ganhar mais mudando os exemplos que tem de formas que não mudam a resposta deles.

Os dígitos de teste aqui estão escritos um pouco fora do centro: deslocados em até um pixel. Um modelo treinado apenas em dígitos centralizados nunca viu isso e tem um desempenho ruim. Então adicione cópias deslocadas de cada dígito de treinamento: o rótulo permanece o mesmo, porque um 3 movido um pixel para a esquerda ainda é um 3.

Nem toda mudança é segura

A regra para aumento: faça apenas mudanças que mantenham a resposta igual. Um dígito espelhado não é caligrafia real, e algumas inversões transformam um dígito em algo próximo a outro. Tente e observe a pontuação.

Augmentation: treinamento em cópias alteradas dos seus dados (deslocamentos, pequenas rotações, recortes) que mantêm o rótulo verdadeiro.

Palavras e símbolos nesta lição
augmentation
cópias alteradas dos dados que mantêm o rótulo verdadeiro
Sua vez

Escreva shifted_copies(imgs, labs) retornando imagens e rótulos com todos os 9 deslocamentos de cada imagem (movimentos de -1, 0 ou +1 pixels para baixo e para os lados, usando np.roll). Depois avalie três execuções com fit_and_score: plain (apenas imagens de treinamento), shifted (suas cópias) e flipped (imagens de treinamento mais cópias espelhadas da esquerda para a direita). Defina harmful para o nome da execução que piorou.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.